Optimasi Metode Naïve Bayes Menggunkanan Algoritma Particle Swarm Optimization (PSO) untuk Prediksi Penyakit Diabetes Mellitus

Sukron, Moh.
Supriadi, Ahmad
Sulton, Rizal

COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi
Vol 2, No 2 (2021): Metaverse dan Masa Depan Interaksi Digital: Perspektif Teknologi dan Sosial

Deabetes Mellitus merupakan salah satu penyakit dimana terdapat tingkat kadar gula (glukosa) yang tinggi didalam darah dalam kontek defisiensi insulin relatif dan resistensi insulin. Diabetes Mellitus sulit untuk diprediksikan. Dengan pemannfaatan database pasien, peneliti mencoba mengolah variabel pasien Deabetes Mellitus dalam medapatkan akurasi prediksi penyakit Diabetes Mellitus dengan memanfaatkan data mining. Metode yang digunakan adalah Naive Bayes, namun metode Naïve Bayes memiliki kelemahan yaitu hasil probabilitas kurang berjalan seara optimal dan sering salah pada atribut. Guna mengatasi kelemahan Naïve Bayes, salah satu cara yaitu dengan metode pembobotan atribut menggunakan algotima Prticle Swarm Optimization (PSO). Hasil penelitain menunjukkan akurasi metode naïve bayes menghasilkan akurasi sebesar 86,80% dan Naïve Bayes dengan Particle Swarm Optimization (PSO)  menghasilkan akurasi 89,84%. Dari hasil tersebut dapat disimpulkan metode naive bayes yang di optimasi dengan pembobotan atribut di dapatkan nilai akurasi yang lebih baik dengan peningkatan akurasi 3,04%.